The importance of 3D protein structure in proteolytic processing is well known. However, despite the plethora of existing methods for predicting proteolytic sites, only a few of them utilize the structural features of potential substrates as predictors. Moreover, to our knowledge, there is currently no method available for predicting the structural susceptibility of protein regions to proteolysis. We developed such a method using data from CutDB, a database that contains experimentally verified proteolytic events. For prediction, we utilized structural features that have been shown to influence proteolysis in earlier studies, such as solvent accessibility, secondary structure, and temperature factor. Additionally, we introduced new structural features, including length of protruded loops and flexibility of protein termini. To maximize the prediction quality of the method, we carefully curated the training set, selected an appropriate machine learning method, and sampled negative examples to determine the optimal positive-to-negative class size ratio. We demonstrated that combining our method with models of protease primary specificity can outperform existing bioinformatics methods for the prediction of proteolytic sites. We also discussed the possibility of utilizing this method for bioinformatics prediction of other post-translational modifications.

Аннотация. Объемы информации, перерабатываемые студентом во время обучениявозрастают, а методики обучения остаются прежними. Квалификация «теоретик-практик» подразумевает умение «учителя» формировать компетенцию (компетенции) у «ученика». На сегодняшний день все громче заявляет о себе форма обучения-антропотехника, которая подразумевает использование знаний об организации и проектировании педагогического процесса. Учениепроцесс передачи мысли, выведенной из опыта, но не сам опыт. Традиционные формы обучения отличаются низкой степенью эффективности с точки зрения передачи учащимся и формирования у них профессиональных навыков. Научение в деятельностипередача опыта. Эффективно справиться с этой задачей можно, лишь владея, кроме самих умений, еще и соответствующими знаниями. Будучи реализованным в виде целостной системы подготовки специалистов, данный антропотехнический подход предполагает длительное общение ученика с мастером и восприятие от него не только собственно профессиональных умений, носущественным образоми личностных качеств, присущих мастеру, и, таким образом, поддержание традиции целостного профессионального мастерства. На сегодняшний день в мировой практике есть два метода передачи своего мастерства учителем ученику: тьюторство и коучинг. Если преподаватель имеет необходимые авторитет и мастерство, то на первое место выходит процесс овладения компетенциями обучаемыми. Динамика увеличения компетенций очень важна с точки зрения понимания процесса овладения. Тогда процесс овладения компетенциями можно представить в виде динамической последовательности. Модель может быть выстроена как для конкретного индивидуума, так и для группы в целом, как усредненная величина. Пока процесс изменения знания, умения и владения преподавателей находится в плачевном состоянии-львиная доля их-«теоретики», не владеющие навыками внедрения знаний, а отсюда процесс совершенствования сводится к освоению средств донесения информации обучающимся и это прискорбно, т.к. процесс овладения знаниями обучающимися, как того требует время и ФГОС ВПО, не происходит. Ключевые слова: коучинг; научение; информация; антропотехника; инфография; квалификация преподавателей; формирование учебного процесса; эффективность обучения; компетентность преподавателей; компетентность специалистов.

Identification of the protease substrates is important for elucidating mechanisms of many molecular processes in the living cell, including apoptosis, cell proliferation, protein activation or degradation. Computational predictions of proteolytic events can substantially reduce the amount of experimental work required for the identification of protease substrates. Although, the availability of the three‐dimensional structures for potential protease substrates facilitates cleavage sites predictions, most of the existing bioinformatics methods use the protease sequence specificity to predict proteolytic sites and rarely use structural information. To our knowledge, there is only one method, which use 3D structures of potential protease substrates, and there are no methods for characterizing the susceptibility of protein regions to proteolytic processing. To fill the gap in this filed, we developed a bioinformatic algorithm for estimating susceptibility of proteins to limited proteolysis based on known 3D structure. We used knowledge from our early study, which has been elucidated the determinants of limited proteolysis in different types of secondary structure using structural information from the proteolytic event database. We created separated machine learning models for each type of the secondary structure and combined them into a single prediction model, which is able to estimate susceptibility of peptide bonds to proteolysis for any protein with known three‐dimensional structure.

No abstract

No abstract